شبكة الدمج التكاملية للتردد الفضائي لإزالة الضباب مع وحدات متعددة المقاييس والانتباه

لماذا يُهم تنقية الصور الضبابية

أي شخص حاول تصوير أفق مدينة مغطى بالضباب أو طريق سريع ملوث يدرك كيف يمكن للضباب أن يبهت الألوان ويطمس التفاصيل. بخلاف لقطات العطلات، يؤثر فقدان الوضوح هذا أيضاً على أنظمة السلامة في السيارات، والمراقبة البيئية، والاستشعار عن بعد من الطائرات والأقمار الصناعية. تعرض هذه الورقة طريقة جديدة رقميًا لتنقية الضباب من صورة فردية، بهدف استعادة مشاهد حادة ومظهرها طبيعي أكثر بحيث تكون أكثر فائدة لكل من البشر والآلات.

من الحيل البسيطة إلى التعلم من البيانات

اعتمدت طرق إزالة الضباب المبكرة على قواعد مُصممة يدويًا، مثل افتراض أن بعض أجزاء المشهد تحتوي على بكسلات شديدة السواد أو أن الألوان تتبع أنماطًا معينة. تعمل هذه الأساليب جيدًا في الحالات البسيطة لكنها تعاني عندما تتعقد الإضاءة أو الطقس أو تركيبة المشهد. مع ظهور التعلّم العميق، بدأ الباحثون في تدريب الشبكات العصبية لتتعلم الفرق بين الصور الواضحة والضبابية، مما مكنهم من استرجاع النسخة النظيفة مباشرةً من أمثلة مُعطاة. ومع ذلك، تعمل معظم هذه الطرق القائمة على التعلم فقط في فضاء الصورة العادي، مُعدّلة البكسلات والأنماط المحلية دون استغلال كامل لكيفية تأثير الضباب على الصورة عندما تُعرض كمزيج من الترددات البصرية المنخفضة والعالية.

النظر إلى الضباب بطريقتين مختلفتين

يشير المؤلفون إلى أن الضباب لا يخفّض الصورة بشكل متساوٍ فقط. عند تحويل الصورة إلى فضاء الترددات، الذي يفصل المناطق الواسعة الملساء عن القوام والحواف الدقيقة، تُظهر الصور الضبابية فقدانًا واضحًا في المحتوى المتوسط والعالي التردد وتراكمًا في طاقة الترددات المنخفضة. ببساطة، تتلاشى التفاصيل الدقيقة مثل أوراق الأشجار وحواف المباني، بينما يصبح السطوع العام والصبغة اللونية أكثر بروزًا. تواجه الطرق التقليدية التي تعمل فقط على جيران البكسل صعوبة في تصحيح هذا الاختلال الترددي مباشرة. وتؤكد الورقة أن نظامًا أفضل لإزالة الضباب ينبغي أن يعمل في كلا الفضاءين معًا: رؤية البكسل اليومية ورؤية التردد التي تُبرز التفاصيل المفقودة.

شبكة تدمج الأشكال والقوام

لتنفيذ هذه الفكرة، صمم المؤلفون SFC-Net، شبكة عصبية تجمع المعلومات المكانية والترددية في كل مرحلة مهمة. كتلتها الأساسية لتعزيز الميزات، المسماة الوحدة متعددة المقاييس للتردد الفضائي، تقسم الميزات إلى عدة فروع. يركز فرع واحد على الأنماط الواسعة باستخدام الإحصاءات المتوسطة، بينما يؤكّد فرع آخر على الاستجابات القوية باستخدام القيم العظمى، ويحلل فرع ثالث الصورة في فضاء التردد لالتقاط القوام والبنية التي يضعفها الضباب بسهولة. ثم تُدمَج هذه الفروع بحيث يمكن للشبكة أن تُفكّر مشتركًا فيما يجب أن يكون ساطعًا، وما يجب أن يكون حادًا، وأين يجب استعادة التفاصيل الدقيقة، مما يؤدي إلى صور منظّفة أكثر واقعية ووضوحًا.

انتباه موجه إلى الأدلة الأكثر فائدة

بعيدًا عن استخراج الميزات، تستخدم الشبكة وحدة انتباه تكاملية تردد-فضاء لتقرر أي المناطق وأي أنواع المعلومات تستحق التركيز الأكبر. تُنشئ هذه الوحدة أولًا خرائط انتباه منفصلة عبر مواقع الصورة وعبر القنوات، ثم تمرّر هذه الميزات المعززة عبر تحويل ترددي، مما يسمح للنظام بإبراز مكونات التردد المهمة لإزالة الضباب مع تقليل وزن المكونات الأقل فائدة. توازن بوابةٌ تكيفية هذه المساهمات حتى تتمكن الشبكة من معاملة المشاهد المختلفة بشكل متباين، على سبيل المثال بمنح وزن أكبر للقوام الدقيق في غابة مورقة مقارنةً بسَّماء ناعمة. تساعد كتل متبقية إضافية ورأس رفع عيّن بعناية على الحفاظ على التفاصيل وتجنب الأنماط الاصطناعية أثناء إعادة بناء الصورة النهائية النقية.

مدى فعالية الطريقة عمليًا

يدرّب الباحثون ويختبرون SFC-Net على مجموعات بيانات ضبابية اصطناعية وحقيقية مستخدمة على نطاق واسع. يقيمون جودة الصورة باستخدام مقاييس معيارية لنسبة الإشارة إلى الضوضاء، والتشابه البنيوي، ودرجة خالية من المرجع تُقدّر طبيعية الصورة دون الحاجة إلى مرجع نظيف. عبر مجموعات اختبار داخلية وخارجية، تُعوِّض SFC-Net أو تتفوق على طرق إزالة الضباب المتقدمة الحديثة، مع تحسين واضح للحدة وصدق الألوان في المشاهد الخارجية. كما تؤدي أداءً قويًا على الصور الفوتوغرافية الحقيقية وعلى معايير مستقلة تحاكي الضباب الحقيقي، وتُظهر دراسات الإقصاء أن كل وحدة جديدة تساهم بشكل ملموس في الأداء النهائي بدلاً من مجرد زيادة حجم النموذج.

رؤى أوضح من خلال دمج أذكى

بعبارات يومية، تُظهر هذه العمل أن تنظيف الصور الضبابية يستفيد من نظرها بطريقتين تكاملية: كصور عادية وكأنماط من المناطق الملساء والتفاصيل الدقيقة. من خلال بناء شبكة تدمج هذين المنظورين وتتعلم أين تركز جهودها، يحقق المؤلفون نتائج أكثر وضوحًا ومظهرًا طبيعيًا مقارنةً بالعديد من الأنظمة القائمة. قد تساعد هذه المقاربة في تحسين الرؤية للقيادة الذاتية والمراقبة والملاحظة البيئية، موفرة نوافذ رقمية أوضح إلى مشاهد كانت لتبدو باهتة ومغشاة بالضباب.

الاستشهاد: Yan, C., Liu, G. Spatial-frequency complementary fusion network for dehazing with multi-scale and attention modules. Sci Rep 16, 16412 (2026). https://doi.org/10.1038/s41598-026-47027-2

الكلمات المفتاحية: إزالة الضباب من الصور, التعلّم العميق, رؤية الحاسوب, تحسين الصور, مجال التردد